В статье приведено исследование возможности использования методов машинного обучения для классификации экзопланет на основе астрономических данных. Объектом исследования являются экзопланеты, а предметом - подходы к построению и интерпретации моделей классификации экзопланет по их физическим и орбитальным характеристикам. Набор данных Exoplanet Classification Dataset содержит 19761 наблюдение и 16 признаков, включающих параметры звезд, данные фотометрии, а также результирующую метку класса. Разделен набор данных на выборки: обучающая выборка (12646 объектов - 64 %), валидационная выборка (3162 объектов - 16 %), тестовая выборка (3953 объектов - 20 %). Распределено количество объектов по классам: класс 0 - 6311 объектов, класс 1 - 7413 объектов, класс 2 - 6015 объектов, класс 3 - 22 объекта. Выполнена предобработка данных, включающая нормализацию признаков, обработку пропусков и балансировку классов методом SMOTE (Synthetic Minority Over-sampling Technique). Для реализации модели машинного обучения выбран алгоритм Random Forest. Описано сравнение алгоритма Random Forest с другими алгоритмами классификации: логистической регрессией, методом опорных векторов (Support Vector Machine, SVM), градиентным бустингом и простой нейронной сетью (MLP). Проведен сравнительный анализ использования метода SMOTE. Проведена оценка адекватности разработанной модели с использованием метрик точности (Precision), полноты (Recall). Итоговая точность классификации экзопланет на тестовой выборке составила 75 %. На основе полученных моделей определена важность физических признаков, влияющих на принадлежность экзопланет к различным типам, что позволяет интерпретировать результаты не только с точки зрения машинного обучения, но и с позиции астрофизики. Разработанная модель машинного обучения является основой для интеллектуальных систем поддержки научных открытий в современных космических исследованиях.
ЭКЗОПЛАНЕТЫ, МАШИННОЕ ОБУЧЕНИЕ, КЛАССИФИКАЦИЯ, МОДЕЛЬ МАШИННОГО ОБУЧЕНИЯ, RANDOM FOREST
1. А.И. Читайло, Информационно-коммуникационные технологии в педагогическом образовании, 6 (93), 23-32 (2024). EDN: https://elibrary.ru/GFWZAX
2. Г.А. Карасёв, Тенденции развития науки и образования, 106-11, 54-58 (2024). DOI: https://doi.org/10.18411/trnio-02-2024-604; EDN: https://elibrary.ru/WQJFPK
3. A.A. Protko, A.S. Manko, Recent Achievements and Prospects of Innovations and Technologies, 4. 226-230(2025). EDN: https://elibrary.ru/VPIVAB
4. С.М. Борзов, Е.С. Нежевенко, Автометрия, 59, 3, 52-71(2023). DOI: https://doi.org/10.15372/AUT20230307; EDN: https://elibrary.ru/UWYAQY
5. Т.В. Сафонова, Н.В. Яготинцева, О.Н. Колбина, А.В. Мокряк, А.А. Попович, Информационные технологии и системы: управление, экономика, транспорт, право, 4 (48), 126-132 (2023). EDN: https://elibrary.ru/CJJYEQ
6. Ш.И. Хайдаров, Современные инновации, системы и технологии, 5, 2, 5021-5028 (2025). DOI: https://doi.org/10.47813/2782-2818-2025-5-2-5021-5028; EDN: https://elibrary.ru/YKDQID
7. NASA Exoplanet Archive. Confirmed Exoplanet Overview. – URL: https://exoplanetarchive.ipac.caltech.edu (дата обращения 12.11.2025).
8. Российская лунная программа. – URL: https://ru.ruwiki.ru/wiki/Российская_лунная_программа (дата обращения 12.11.2025).
9. Федеральная космическая программа на 2016 -2030 гг. – URL: http://asf.ural.ru/VNKSF/Itogi/re_v22/Nauka/Presentazii/11/Arapov.pdf
10. И. Гудфеллоу, Й. Бенджио, А. Курвиль, Глубокое обучение. Москва: ДМК Пресс, 2018. 782 с.
11. M. Perryman, The Exoplanet Handbook. Cambridge University Press, 2018. 952 p. DOI: https://doi.org/10.1017/9781108304160
12. R.A. Fisher, Journal Article, 7, 2, 179-188 (1936). DOI: https://doi.org/10.1111/j.1469-1809.1936.tb02137.x
13. C. Bishop, Pattern Recognition and Machine Learning, New York: Springer, 2006. 738 p.
14. N.V. Chawla, K.W. Bowyer, L.O. Hall, W.P. Kegelmeyer, Journal of Artificial Intelligence Research, 16(1), 321-357 (2002). DOI: https://doi.org/10.1613/jair.953
15. G.James, D. Witten, T. Hastie, R. Tibshirani, An Introduction to Statistical Learning, Springer, 2021. 616 p. DOI: https://doi.org/10.1007/978-1-0716-1418-1
16. A.P. Ratnasari, International Journal of Scientific Research and Management, 12, 4, 494-501 (2024). DOI: https://doi.org/10.18535/ijsrm/v12i04.m03; EDN: https://elibrary.ru/BMUPAG
17. T. Wongvorachan, S.He, O.A Bulut, Information, 14, 54 (2023). DOI: https://doi.org/10.3390/info14010054
18. L. Breiman, Machine Learning, 45, 5-32 (2006). DOI: https://doi.org/10.1023/A:1010933404324
19. What is a confusion matrix? – IBM. – URL: https://www.ibm.com/think/topics/confusion-matrix – (дата обращения 12.11.2025).
20. Наука - ТАСС. В обсерватории РАН в КЧР планируют создать передвижной планетарий. – URL: https://nauka.tass.ru/nauka/21704923 – (дата обращения 15.12.2025).
21. WebCatalog. NASA/ADS. – URL: https://webcatalog.io/ru/apps/ads – (дата обращения 15.12.2025)
